論文の概要: Diffusion-Refined Segmentation and Vision-Language Interpretation for Pediatric Brain Tumor MRI

• arxiv url: http://arxiv.org/abs/2606.14072v1
• Date: Fri, 12 Jun 2026 03:38:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.733333
• Title: Diffusion-Refined Segmentation and Vision-Language Interpretation for Pediatric Brain Tumor MRI
• Title（参考訳）: 小児脳腫瘍MRIにおける拡散精細分画と視線図の解釈
• Authors: Wentao Ke, Jianche Liu,
• Abstract要約: 小児脳MRIのセグメンテーションを改善するための2段階のディープラーニングフレームワークを提案する。 まず、3D Res U-NetとSwin-UNETRのベースラインをBraTS-PEDs MRIスキャンで評価する。 第二に、粗いSwin-UNETR予測を条件とした拡散モデルを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate pediatric brain tumor segmentation remains challenging due to limited annotated data, heterogeneous imaging phenotypes, diffuse tumor boundaries, and class imbalance across tumor subregions. Here, we present a two-stage deep learning framework for improving multi-modal pediatric brain MRI segmentation and clinical interpretation. First, we evaluate 3D Res U-Net and Swin-UNETR baselines on BraTS-PEDs MRI scans, using four co-registered modalities to predict tumor core, whole tumor, and enhancing tumor regions. Second, we introduce diffusion-based refinement models conditioned on coarse Swin-UNETR predictions, including a 3D DDPM refiner and MedSegDiff. Conditioning substantially improves diffusion stability and performance, particularly for enhancing tumor boundary segmentation. Conditioned MedSegDiff achieves the strongest boundary agreement with the lowest HD95. Finally, predicted tumor volumes and representative segmentation overlays are integrated with a multimodal language model to generate structured radiology-style reports. Together, our results suggest that coarse-to-refined diffusion segmentation can improve pediatric tumor boundary delineation and support end-to-end interpretable AI-assisted neuro-oncology workflows.
• Abstract（参考訳）: 正確な小児脳腫瘍の分節は、限られた注釈付きデータ、異種画像表現型、びまん性腫瘍の境界、腫瘍亜領域間のクラス不均衡により、依然として困難である。 本稿では,マルチモーダル脳MRIのセグメンテーションと臨床解釈を改善するための2段階のディープラーニングフレームワークを提案する。 まず,BraTS-PEDs MRIにおける3D Res U-NetおよびSwin-UNETRベースラインの評価を行った。 第2に、3次元DDPM精製器とMedSegDiffを含む粗いSwin-UNETR予測を条件とした拡散型精細化モデルを導入する。 条件付けにより拡散安定性と性能が大幅に向上し、特に腫瘍境界セグメンテーションが向上する。 条件付きメドセグディフは、最も低いHD95との最も強い境界合意を達成している。 最後に、予測された腫瘍量と代表セグメンテーションオーバーレイをマルチモーダル言語モデルに統合し、構造化ラジオグラフィースタイルのレポートを生成する。 以上の結果から, 粗い拡散セグメント化は, 小児腫瘍の境界線を改良し, 終末から終末までのAI-assisted neuro-oncologyのワークフローを支援することが示唆された。

関連論文リスト

• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation [2.538209532048867]
  VGDMは脳腫瘍の検出とセグメンテーションのための視覚誘導拡散フレームワークである。 拡散過程のコアに視覚変換器を埋め込む。 トランスフォーマーバックボーンは、MRIボリューム全体にわたってより効果的な空間関係のモデリングを可能にする。 ボクセルレベルの誤差を緩和し、きめ細かい腫瘍の詳細を回復する。
  論文  参考訳（メタデータ） (2025-10-02T14:52:08Z)
• SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model [0.15833270109954134]
  造影MRI画像において高画質の乳腺腫瘍を発生する3次元医療拡散モデル(SynBT)を提案する。 提案モデルは,高分解能MRIをコンパクトな潜在空間に圧縮できるパッチ・ツー・ボリュームオートエンコーダで構成されている。 提案手法は, 高品質な腫瘍合成法により, 共通セグメンテーションモデルを容易に構築できることを実証した。
  論文  参考訳（メタデータ） (2025-09-03T12:33:54Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors [2.104687387907779]
  トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。 この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。 本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-12-11T09:52:01Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation [0.9176056742068814]
  U-Netに基づく新しいエンド・ツー・エンド脳腫瘍セグメンテーションアーキテクチャを提案する。 提案モデルでは, 腫瘍コアと全腫瘍セグメンテーションについて, 最先端のU-Netモデルよりも有意に優れた性能を示した。
  論文  参考訳（メタデータ） (2021-08-15T16:04:09Z)
• Expectation-Maximization Regularized Deep Learning for Weakly Supervised Tumor Segmentation for Glioblastoma [8.24450401153384]
  本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。 この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
  論文  参考訳（メタデータ） (2021-01-21T18:14:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。